Természetes nyelvek - cs.ubbcluj.rocsatol/mestint/diak_pdf/2005/reizbea.pdf · Senki nem tud venni, amíg valaki más nem akar eladni

Természetes nyelvek

TartalomNyelvtechnológia elmélete

Nyelvtechnológiai alkalmazásokMorfológiai elemzésEgyértelműsítésMondatelemzésSzemantikaSzöveggenerálásDiskurzus-reprezentáció

Számítógépes alkalmazásokUnifikációs nyelvtanStatisztikai feldolgozásSzövegkorpuszokLexikonok és szótárakSzöveglétrehozásNyelvazonosításSzámítógépes fordítás

Egy intelligens webböngésző

Számítógépes alkalmazásai

Nyelvhelyesség ellenőrzőkAutomatikus elválasztókBeszédfelismerőkSzöveg-visszakeresőkAutomatikus szövegkivonatolókSzámítógépes fordítók

Nyelvtechnológiai alkalmazásokNyelvfeldolgozás feladata: a szövegek aktuális nyelvi szintnek megfelelő gépi reprezentációja.Alkotóelemei:

formalizált nyelvtan : lexikális részszabályrendszer

ezt kezelő programMegkülönböztetünk:

Morfológia vagy alaktanSzintaxis vagy mondattanSzemantika vagy jelentéstan

Nem beszélhetünk emberi szinten történő szövegmegértésről.

Morfológiai elemzés

Minimális egységek által hordozott információ -> szótár vagy lexikon:

Minden lehetséges szóalak megadásaSzótő + lehetséges toldalékok, képzők

Problémát jelent a nem egyértelmű szótő és a toldalékok helyes kombinálása

Koskenniemi-féle kétszintes morfológia

a formalizmus lexikonból és szabályokból áll.Lexikon = szótő + toldalék - > reguláris kifejezésI. Szint : nyelvi elemek lexikális reprezentációiautó + Ak + bAn

II. Szint : szóalakok felszíni reprezentációiautó + 0k + ban

A szabályok a két szint közti átmenetet definiáljákAkkor és csak akkor nincs kötőhang a többes szám –k jele

előtt, ha a tő utolsó hangja magánhangzó

Hatékonyan implementálhatóKétirányú = elemzés + generálásHelyesírás- ellenőrzésre használják

Egyértelműsítés

A szavaknak többféle felbontása lehetMódszerei:

Szabályalapú: nem minden esetben használható, de ha igen kevés hibát követ el. Pl.: címkézet zárójelezés

A mondat nagy részének elemzését végziPélda:

Valószínűségi: minden esetben tud dönteni, de gyakrabban téved. Pl. HMM.

MondatelemzésFelmerülő nehézségei:

Bonyolult szerkezetű mondatokIsmeretlen szavak vagy szerkezetekEgyértelműsítés

Népszerű modell Noam Chomsky generatív grammatikája:

Definíció: G = (N,T,P,S)N , T – nem terminális és terminális szimbólumok halmazaP – szabályok, S – kezdőszimbólum

Végtelen sok mondat leírható egy véges szótár és egy szabályrendszer segítségévelHasznált elemzési technika: LR(k) nyelvek

Mondatelemzés

Problémát jelent a metaforikus szóhasználatMegoldása lehetne a szótár nyitottá tételeEzáltal már nem fog tartozni Chomsky modelljéhezViszont csak bizonyos szófajú szavak kerülhetnek később a szótárba - > minimálnyelvtan, amit nem lehet nyitott osztállyal definiálni, és lesz a lexikonnak egy nyitott része.

Szemantika

Szükség van atomi jelentésekre és ezek kombinálási szabályairaAlkalmazott formalizmusok:

Elsőrendű predikátumkalkulusMontague nyelvtanokszituációs szemantika (Barwise 1983)frissítő szemantikadinamikus szemantikadiskurzus- reprezentációs elmélet

KeretszemantikaTudásreprezentációban használt kerethez hasonló információk alapján történik a feldolgozásKeret (frame): sztereotip szituációkat jellemző ismeretrendszer

vesz, elad, fizet, kerül stb.pénz, fizetés, kereskedő, vásárló stb.

Forgatókönyv (script): adott kerethez tartozó esemény részeseményeinek sorrendjét határozza meg

Senki nem tud venni, amíg valaki más nem akar eladniFejlettebb modellek figyelembe veszik a szereplők céljait és a célok között fennálló viszonyokat

Péternek nagy adósságai voltak. Péter eladta a kocsiját.Kérdés: Miért adta el Péter a kocsiját? Válasz: Mert nagy adósságai voltak.

Szöveggenerálás

Számítógépben tárolt ismeretek természetes nyelven történő megfogalmazása.Nehézségei:

a hosszabb koherens szövegek generálása, a létrehozás tervezési lépéseinek a kidolgozása.lexikonbeli elemek helyes kiválasztása (szinonimák)mondatok összefűzése, úgy hogy ne legyen köztük törés - > mondattervezés

Diskurzus-reprezentációKamp elmélete (1981):

minden D szöveghez tartozik egy diskurzus-reprezentáló szerkezet, amely D-t kvantormentes klóz-alakban ábrázoljaszöveg-reprezentációs szerkezet alakja: DRS=<REF, FELT>, ahol REF a DRSszövegreferenseinek, Felt pedig az egyedekre vonatkozó feltételeinek halmazaa mondat rendszerbeli reprezentációja valamilyen DRS-ken operáló függvény lesz

számítógéppel való ábrázolása:a DRS egy állománydiskurzusreprezentáció egy kártya.

Legyen a következő diskurzus:„András orvos. Ha egy orvosnak van számítógépe, akkor játszik vele.”

X1: {X1=Andrásorvos(X1) }

X1, X2: {orvos(X1)számítógép(X2)birtokol(X1, X2) } =>

{ játszik(X1, X2) }





Unifikációs nyelvtanUnifikációs formalizmusok:

FejnyelvtanLexikális funkcionális nyelvtanFabővítő nyelvtanKategoriális unifikációs nyelvtan

A nyelvi elemeket attribútum- érték párok halmazaként reprezentálják: jegy- együttesekAlulspecifikáltság: egy adott jegy jelen van, de értéke nem vagy csak részben meghatározott. Változókat is használhatunk

pl. alany és állítmány számának egyeztetéséreUnifikáció = nyelvtani információk összeegyeztethetőségét vizsgálja

Statisztikai feldolgozás

Nyelvfeldolgozás = információátvitel zajos csatornánA módszer alapelemei:

Átviteli modell = felismert kimenet valószínűségeNyelvmodell = egyes üzenetrészek adott környezetben való előfordulási valószínűségei.

Legnépszerűbb alkalmazott modell a rejtett Markov-modell (HMM)

a mondat szavai lesznek az észlelt állapotoka szintaktikai osztályok (főnév, ige) a rejtett állapotoka cél: a mondat minden egyes szavára a legvalószínűbb osztály megtalálása

Szövegkorpuszok

Gépi nyelvfeldolgozás számára összegyűjtött szövegek együttese.Az egyes szavak különböző helyzetben való előfordulásainak tanulmányozására használják.Párhuzamos korpuszok = eredeti szöveg és a fordítása.Módszereire elsősorban valószínűségi és statisztikai módszerek jellemzőek

Pl. Olyan szerkezetekre alkalmazzák mint: erős légy

Lexikonok és szótárak

Lexikális tudás = a nyelv szavainak, kifejezéseinek ismerete.Szótár = lexikális elemek listája + morfoszintaktikai, szemantikai, fonológiai viselkedésüket leíró jegyek összessége - > szükség van egy jegyleíró formalizmusra.A reprezentációs nyelv szabványosítása az SGML (Standard Generalized Markup Language), szótárak leírásához pedig a TEI (Text Encoding Initiative) - > formától függetlenül lekérdezhetővé válnak az egyes mezők és kombinációik.

Terminológiai adatbázisok

Terminus = szakiránytól függő, akár teljesen más jelentéssel bír, állandóan születőben van.Terminológiai adatbázisok dinamikusak.Jellemzőek a soknyelvű adatbázisok.A fogalmak egy fogalmi hálózat megfelelő relációkkal elérhető csomópontjaként jelennek meg. Jellemzésük tezaurusz-deszkriptorokkal, szinonimákkal, rövidítésekkel, definíciókkal, képekkel, relációkkal stb. történik.

Szöveglétrehozás

Szerzői eszközök: helyesírás ellenőrző, elválasztó, nyelvtani ellenőrző, szinonima szótárak.Hibák:

Billentyűzeten való melléütésből származó (környező betűk elhelyezkedése szerint)Magyar- angol billentyűzeten való y- zeltérésMagyar ékezetes betűk szabványos vagy nem szabványos elhelyezéseBeszéd írásra való hatása „azt írjuk, amit mondunk”

Más műveletekAutomatikus elválasztás

A szó minden lehetséges elemzését ismernünk kell. Pl. LegelőreAz elválasztó úgy működjön, hogy jelenléte alig észrevehető legyen -> nem interaktív. A kézi elválasztás lehetősége biztosított kell legyen.

Keresés:Egy szó minden alakjának felismerése.Probléma: a szavak nincsenek szótári alakban -> a mechanikus rendszerek gyakran tévednek.

Nyelvhelyesség ellenőrző:Egyenlőre csak szóellenőrzőkről beszélhetünk.

Más műveletek

Szöveg- visszakeresés:Fontos a szinonimák illetve különböző nyelvekre történő fordítások közti keresés isa szemantikát is figyelembe kell vennünk. Pl. Kutya –Kosárlabda EB

Automatikus szövegkivonatolás:Célja a szöveg tartalmának kevesebb mondatokkal való kifejezése.Reális cél a szöveg releváns mondatainak kiemelése, és koherens szöveggé alakítása.A kiválasztás statisztikai alapon vagy kulcsszavak alapján

történik.

Nyelvazonosítás

Feladat: a fordításnak a gépi, illetve géppel támogatott létrehozása, továbbá a forrás- és a célszövegek szinkronizálása a későbbi feldolgozás számára. Elsősorban statisztikai alapon történik:

Nyelvek legrövidebb szavainak eloszlását figyelikEgyes szó és karaktersorozatok gyakoriságaNyelvre jellemző speciális karakter és karakterkombinációk megfigyelése.Legelterjedtebbek a trigram-modellek, egymást követő betűhármasok gyakoriságainak megfigyelése.

Számítógépes fordítás

Gépi fordításhoz használt számítógépes eszközök csoportosítása:

Teljesen automatizált gépi fordítás (TAGF)Közvetlen emberi beavatkozás nélkül működő rendszerek Legfeljebb technikai szövegek felszínes fordítására alkalmas.

Ember támogatta gépi fordítás (ETGF)A gép a felhasználó segítségével ad választ a többértelműségekre és bizonytalanságokra.

Gép támogatta emberi fordítás (GTEF)Hagyományos emberi fordítást jelent.A fordító segédeszközei egy írógép és szótár funkcióját betöltő hatékony számítógépes rendszer.

Gépi fordítás csoportosításaProduktív:

a fordítás célnyelvén a mondatokat a program maga szintetizáljatechnikai előkészítését a kontrollált nyelvi eszközök végzik.Lehet:

Közvetlen, ha a forrásnyelv analízise és a célnyelv szintézise függőKözvetett, ha független, ez továbbá lehet

interlingvális fordítás transzfer fordítás

Mintaalapú hacsak kikeresi a forrásnyelv mondatai közül a leghasonlóbbat és annak „konzerv”-fordítását adja meg.a forrásnyelv mondatait ún. fordítómemóriákban tároljákelsősorban fordítómemóriákat és a velük társítható fejlesztéseket jelenti

Produktív fordítási technikák

Közvetlen fordítás:Közvetítő nyelv segítségével:

Transzfer módszer:

Nem teljesen automatikus fordítás

Felhasználó bevonása a fordítási folyamatba.Cél:

meglévő fordítások hatékony felhasználásaFordítói munkaállomások:

kétnyelvű szótárakszaknyelvi terminológiai adatbázisokfordítómemóriákvalódi gépi fordító rendszerek elérését is lehetővé teszik.





A LEXXE böngésző

Elérése: www.lexxe.comTeszteljük a következő kérdésekkel:

Who did Bill Gates marry? Who was killed by Lee Harvey Oswald? Who is the best actress in the world? Who assassinated President Lincoln?How old is Yahoo?

A Google találatainak száma erre a kérdésre 64 000 000.Hasonlítsuk össze a Google válaszaival ugyanezekre a kérdésekre?

A LEXXE tulajdonságaiKonkrét kérdésre konkrét választ ad, és a válaszon túl megjelenít néhány oldalt, ahonnan további információkat lehet kapni.Különböző típusú szövegeket tud azonosítaniSzintaktikailag és szemantikailag elemezKépes a többértelműség feloldására a szövegkörnyezet felhasználásával.Képes megérteni a felhasználó szándékát és annak megfelelően válaszolni.Mindezek eredménye nagyon pontos és kielégítő válaszok.Szerzője egy számítógépes Enciklopédiát akart tervezni, amely kommunikál az emberrel egy adott témakörben.Harmadik generációs kereső- e a LEXXE?

A LEXXE képességei

A bemenetet nyelvként kezeli nem szimbólumokkéntRendelkezik nyelvmegértő képességgelNem képes szinonimák helyettesítéséreA válaszadás statisztikus módszerek segítségével történikMegszorítás: a kérdések legfeljebb 10 szóból állhatnak, különben nem tudja jól elemezni aztFelismer lakcímeket, képzettségre és foglalkozásra vonatkozó információkat

Nyelvfeldolgozási elemeiAmit a tervezői közzétettek:

Szövegfelismerő tehnológia20-40%-kal növeli meg a keresés hatékonyságát

Egy minimális dialóguskezelés is van benne, a kérdésekre adott válaszadás kapcsánKlaszterezés (csoportosítás)

Nem hierarchikus csoportosítást használ, hanem a generált csoportok alapján újabb kereséseket végez.

Ami még kell legyen benneSzövegkivonatolás egyaránt kérdésből és a megtalált szövegekből

A LEXXE válaszadó rendszere

A válasz generálásának lépései:A kérdést átalakítja egy állítássáAz állítás nem releváns elemeit elhagyjaMeghatározza a válasz legvalószínűbb témakörét. Információ-visszakereső rendszer segítségével megkeresi a témához kapcsolódó dokumentumokatHa valamelyik dokumentum valamelyik mondatának egy része illeszkedik a kapott állításra, azt találatként megjelöliNyelvészeti és statisztikai feldolgozás segítségével értelmes válasszá alakítja a találatokat.Statisztikailag meghatározó szavak és szövegrészek alapján megadja a végső választ.

ÖsszefoglalóNyelvfeldolgozás elemei:

SzótárTerminológiai adatbázisSzöveg- visszakeresőkSzemantikus elemzőNyelvhelyesség ellenőrzőkAutomatikus elválasztókNyelvazonosítókSzámítógépes fordítókAutomatikus szövegkivonatolókSzöveggenerálókDiskurzus- reprezentálókBeszédfelismerők

Végül Hong Liang Qiao, a LEXXE tervezőjének szavai „In the next 5-10 years time, search

engines will not be like Google and Yahoo today. They will just be something like LEXXE, a 3rd generation search engine, which are more intelligent and good at understanding human language.„

Természetes nyelvek - cs.ubbcluj.rocsatol/mestint/diak_pdf/2005/reizbea.pdf · Senki nem tud venni, amíg valaki más nem akar eladni

Documents